2026 年 8 月
同一只手的精细想象也能分清，CLMT-Net准确率约76%
研究者提出基于多尺度Transformer的对比学习网络CLMT-Net，用于同一肢体内细粒度运动想象解码，在MI-2数据集上准确率达76.13%。
2025 年 3 月
黎曼流形上降维不丢判别信息，脑电分类最高提升19.38%
该研究提出一种基于黎曼流形上判别性几何感知的降维方法，用于脑机接口（BCI）应用中脑电图（EEG）分类的对称正定（SPD）矩阵，以增强SPD矩阵的判别性并减少信息损失。流形学习与SPD矩阵在EEG分类中已显示出潜力，但SPD矩阵可能导致EEG信号的关键信息丢失。研究在BCI Competition IV Dataset 1和Dataset 2a上验证，该方法分别将准确率提升5.0%和19.38%，表明判别性几何感知能在降维后保持稳健性能。该工作属于EEG分类的基础方法研究，方法层面的改进为后续系统集成提供了参照。